智能光计算终身学习架构系统与装置制造方法及图纸

本发明专利技术公开了智能光计算终身学习架构系统与装置，该系统包括：多光谱表征层，用于将原始输入的包含多任务的电信号通过多光谱表征为不同波长的相干光；终身学习光神经网络层，包括光学系统的傅立叶平面中级联的稀疏光卷积层，通过对输入级联的稀疏光卷积层不同波长的相干光进行终身学习光神经网络的多任务逐步训练，并通过终身学习光神经网络层输出最终空间光信号；电网络读出层，用于识别最终空间光信号检测得到的最终光学输出数据，以得到多任务识别结果。本发明专利技术实现多任务及高性能的机器智能计算，通过自适应地激活相干光场中的稀疏光连接来学习每个任务，同时通过逐渐扩大激活连接来逐步获得对各种任务的经验信息。活连接来逐步获得对各种任务的经验信息。活连接来逐步获得对各种任务的经验信息。

【技术实现步骤摘要】
智能光计算终身学习架构系统与装置


[0001]本专利技术涉及机器学习任务
，特别是涉及智能光计算终身学习架构系统与装置。

技术介绍

[0002]在大规模数据集的推动下，机器学习任务变得越来越多样化和复杂化。机器智能的一个悬而未决的问题是人工智能体如何以更智能的方式传播并具有强大的学习能力以逐渐学习多任务。随着摩尔定律的终结，能耗成为当今电神经网络方法向更广泛任务推广的主要障碍，尤其是在终端/边缘设备中。当前迫切需要寻找下一代计算模式，以突破电神经网络(ANN)的物理限制。大规模智能计算是实现日益丰富和复杂的机器学习任务的首要保障。如今基于传统电计算处理器的人工智能面临着功耗墙的限制，阻碍了它们可持续的性能改进。
[0003]光就是这样一种计算模式，它可以克服电计算的固有局限性，并将能源效率、处理速度和计算吞吐量提高几个数量级。这些非凡的特性已被用来构建特定应用的光学架构，以解决基本的数学和信号处理问题，其性能远远超过现有电子处理器的性能。简单的视觉处理任务，如手写数字识别和显着性检测，已得到波光学模拟或小型光学计算系统的有效验证。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能光计算终身学习架构系统，其特征在于，所述系统包括多光谱表征层、终身学习光神经网络层和电网络读出层，其中，所述多光谱表征层，用于将原始输入的包含多任务的电信号通过多光谱表征为不同波长的相干光；所述终身学习光神经网络层，包括光学系统的傅立叶平面中级联的稀疏光卷积层，通过对输入级联的稀疏光卷积层不同波长的相干光进行终身学习光神经网络的多任务逐步训练，并通过所述终身学习光神经网络层输出最终空间光信号；所述电网络读出层，用于识别所述最终空间光信号检测得到的最终光学输出数据，以得到多任务识别结果。2.根据权利要求1所述的智能光计算终身学习架构系统，其特征在于，每层稀疏光卷积层包括光调制滤片和光衍射单元，所述光学系统将输入的不同波长的相干光转换为稀疏光特征并输入级联的稀疏光卷积层进行光卷积运算，所述光调制滤片将光卷积运算后的稀疏光特征进行自适应地光神经元激活，并将激活的光神经元输入至所述光衍射单元调制每个单一任务的光神经元连接以输出最终空间光信号。3.根据权利要求1所述的智能光计算终身学习架构系统，其特征在于，所述电网络读出层，还用于利用强度传感器在输出平面对所述最终空间光信号进行检测以得到所述最终光学输出数据。4.根据权利要求1所述的智能光计算终身学习架构系统，其特征在于，所述光调制滤片为基于相变材料PCM的光调制滤片，所述PCM包括GST单元；每个GST单元包含非晶态和晶态两种状态，对应不同的光谱透射率；在同一波长下，所述光谱透射率高于预设阈值的GST单元为已激活状态，所述光谱透射率低于预设阈值的GST单元为未激活状态。5.根据权利要求1所述的方法，其特征在于，所述光学系统为4光学系统；预设多任务光学特征是第k层稀疏光卷积层中的第i个任务在光谱λ
i
上的特征表征，利用第一个2f系统进行傅里叶转换为：其中，表示傅里叶域中的光特征映射，F代表傅里叶转换矩阵，利用光调制滤片调制为：其中，表示调制后的光特征，M
k
代表相位调制矩阵，I
k
(
i
)代表强度调制矩阵；利用第二个2f系统将反傅里叶变换到空间域，并利用强度传感器在输出平面上检测正则化的光学输出数据光学输出数据排除电网络读出层，将每层稀疏光卷积层的光学输出数据重新映射...

【专利技术属性】
技术研发人员：方璐，程远，
申请(专利权)人：清华大学，
类型：发明
国别省市：